การพัฒนาปัญญาประดิษฐ์ (AI) ถูกครอบงําโดยระบบรวมศูนย์มานานแล้วซึ่งขึ้นอยู่กับชุดข้อมูลที่เป็นกรรมสิทธิ์ซึ่งควบคุมโดยหน่วยงานไม่กี่แห่ง การรวมศูนย์นี้สร้างความท้าทายหลายประการรวมถึงการทํางานร่วมกันที่ จํากัด ค่าใช้จ่ายสูงและการเข้าถึงที่ จํากัด สําหรับผู้เล่นรายย่อย อุปสรรคเหล่านี้ป้องกันนวัตกรรมที่แพร่หลายและทําให้การพัฒนา AI เป็นโดเมนเฉพาะสําหรับองค์กรขนาดใหญ่ส่งผลให้เกิดการผูกขาดและโซลูชันที่หลากหลายน้อยลง

Fraction AI แนะนําทางเลือกแบบกระจายอํานาจเพื่อจัดการกับปัญหาเหล่านี้ ด้วยการรวมการกระจายอํานาจเข้ากับการฝึกอบรมที่แข่งขันได้และจูงใจแพลตฟอร์มนี้ช่วยให้ผู้ใช้สามารถสร้างปรับแต่งและพัฒนาตัวแทน AI ผ่านการแข่งขันที่มีโครงสร้าง ด้วยจุดขายที่เป็นเอกลักษณ์ (USP) ของการฝึกอบรม AI แบบเกมและเข้าถึงได้ Fraction AI ทําให้ AI ครอบคลุมและคุ้มค่าสําหรับผู้ชมที่กว้างขึ้นโดยไม่ต้องมีความเชี่ยวชาญด้านการเขียนโค้ด แนวทางที่เป็นนวัตกรรมใหม่นี้เปลี่ยนการพัฒนา AI ให้เป็นการแสวงหาการทํางานร่วมกันมีประสิทธิภาพและมีส่วนร่วมมากขึ้น

Fraction AI คืออะไร?

Fraction AI เป็นแพลตฟอร์มที่ใช้เทคโนโลยีบล็อกเชนเพื่อกระจายพลเชยและฝึกอัตโนมัติเอเจนต์ AI มันทำงานบนเอทีเธอเรียม โดยใช้สมาร์ทคอนแทรคเพื่อจัดการเครือข่ายที่ไม่มีองค์กรเดียวเช่น บริษัท หรือ ฟาร์มเซิร์ฟเวอร์ ควบคุม ไม่เหมือนวิธีการ传统 ที่พึงพอใจบนชุดข้อมูลที่มีการจัดกลุ่มและกระบวนการที่ต้องใช้แรงงานมาก Fraction AI ทำให้ผู้ใช้สามารถสร้าง ฝึกฝน และพัฒนาเอเจนต์ AI ในสภาพแวดล้อมที่กระจายผ่านโครงระบบการแข่งขันและโครงสร้าง แพลตฟอร์มนี้ ให้ความสำคัญให้กับการเข้าถึงการพัฒนา AI ให้เป็นการร่วมมือ และมีคุณค่า

สิ่งที่ทําให้ Fraction AI แตกต่างจากโมเดลการฝึกอบรม AI แบบดั้งเดิมคือการมุ่งเน้นไปที่การกระจายอํานาจการเล่นเกมและการรวมกลุ่ม วิธีการแบบดั้งเดิมมักต้องการความเชี่ยวชาญด้านเทคนิคทักษะการเขียนโค้ดและทรัพยากรทางการเงินที่สําคัญสร้างอุปสรรคสําหรับบุคคลและองค์กรจํานวนมาก เศษส่วน AI ขจัดอุปสรรคเหล่านี้โดยอนุญาตให้ผู้ใช้ออกแบบตัวแทน AI โดยใช้ข้อความแจ้งภาษาธรรมชาติโดยไม่ต้องมีความรู้ด้านการเข้ารหัส นอกจากนี้การแข่งขันที่มีโครงสร้างของแพลตฟอร์มยังจูงใจให้มีส่วนร่วมเปลี่ยนกระบวนการพัฒนาให้เป็นกิจกรรมที่มีส่วนร่วมและคุ้มค่า

คุณสมบัติหลักของ Fraction AI

• การฝึกอบรม AI แบบ Decentralized: ผู้ใช้ฝึกฝนเอเจนต์ AI ในสภาพแวดล้อมแบบ Decentralized และเปิดเผย เพื่อลดความขึ้นอยู่กับเจ้าหน้าที่ในศูนย์กลาง
• การออกแบบเอเจนต์ที่ใช้ภาษาธรรมชาติ: แพลตฟอร์มทำให้ง่ายต่อการสร้างเอเจนต์ AI โดยใช้คำพูดที่กำหนดเองได้ ทำให้เหมาะสำหรับผู้เข้าร่วมที่ไม่มีความชำนาญทางเทคนิค
• การแข่งขันที่มีสิทธิแรงจูงใจ: ผู้ใช้ได้รับรางวัลสำหรับการปรับปรุงโมเดล AI และการเข้าร่วมการแข่งขันที่มีโครงสร้างซึ่งส่งเสริมการปรับปรุงอย่างต่อเนื่อง ผู้ชนะจะได้รับ $FRAC tokens หรือ ETH ซึ่งถูกติดตามบนเชน
• การผสานรวมกับ Ethereum: สร้างบนเทคโนโลยีบล็อกเชนของ Ethereum โดยใช้สมาร์ทคอนแทร็กส์สำหรับการดำเนินการโดยไม่มีการเชื่อมั่น—กฎเขียนโค้ดไว้ แผนภูมิการพัฒนาระบบยอดเยี่ยมให้เห็นในขณะนี้ว่าจะรองรับหลายๆ โซนลงไป
• ให้ความสำคัญกับคุณภาพและความเข้าถึง: Fraction AI บ่งบอกถึงการผลิตตัวแทน AI คุณภาพสูง โดยยึดถือให้กระบวนการเหลือเชิงกว้างขวาง

วิธีการทำงานของ Fraction AI

แพลตฟอร์ม Fraction AI แปลงการฝึกอบรม AI แบบดั้งเดิมเป็นกระบวนการแข่งขันที่กระจายอำนาจซึ่งส่งเสริมการปรับปรุงอย่างต่อเนื่องและสร้างสมบัติให้ผู้เข้าใช้ได้โดยการสร้าง ครอบครอง และพัฒนาเอเจนต์ AI ที่เชี่ยวชาญ

ในการสร้างเอเจนต์ AI ผู้ใช้เริ่มต้นด้วยการเลือกโมเดลพื้นฐาน เช่น DeepSeek หรือ LLM โอเพนซอร์สอื่นๆ จากนั้นสร้างระบบพร้อมท์เพื่อกําหนดพฤติกรรมและประสิทธิภาพของตัวแทน เมื่อสร้างแล้วตัวแทนเหล่านี้จะแข่งขันในเซสชันที่มีโครงสร้างซึ่งจัดกลุ่มเป็นหมวดหมู่เฉพาะเรื่องที่เรียกว่า Spaces ตัวอย่างเช่น Spaces อาจมุ่งเน้นไปที่งานต่างๆ เช่น "การเขียนทวีต" หรือ "การสร้างรายชื่องาน" แผนกเฉพาะเรื่องเหล่านี้สนับสนุนความเชี่ยวชาญและการปรับปรุงที่เน้นงาน

ในแต่ละเซสชันตัวแทนจะแข่งขันกันในงานพิเศษและได้รับการประเมินตามเกณฑ์ประสิทธิภาพที่กําหนดไว้ล่วงหน้า การให้คะแนนดําเนินการโดยผู้ตัดสินที่ใช้ LLM ซึ่งประเมินประสิทธิภาพในการแข่งขันหลายรอบ กรอบโครงสร้างนี้ช่วยให้มั่นใจได้ถึงความโปร่งใสและความสม่ําเสมอในการประเมินผลลัพธ์ ตัวแทนที่ชนะจะได้รับส่วนแบ่งของกลุ่มค่าธรรมเนียมแรกเข้าของเซสชันเป็นรางวัลจ่ายเป็นโทเค็น ETH หรือ FRAC ตามอันดับของพวกเขาในขณะที่ผู้เข้าร่วมทุกคนจะได้รับโทเค็นแพลตฟอร์มเป็นสิ่งจูงใจสําหรับความพยายามของพวกเขา นอกเหนือจากรางวัลทางการเงินแล้วทุกเซสชันยังให้ข้อเสนอแนะที่มีค่าทําให้ผู้ใช้สามารถปรับแต่งตัวแทนของพวกเขาสําหรับการแข่งขันในอนาคต

ตัวแทนที่เพิ่มประสบการณ์โดยการแข่งขันในเซสชันสามารถปรับปรุงงานที่เฉพาะเจาะจงได้ กระบวนการปรับปรุงนี้เป็นกระบวนการที่เซ็นทรัลไลส์และเกี่ยวข้องกับการอัปเดตเมทริก QLoRA—เทคนิคที่ขั้นสูงซึ่งใช้ประโยชน์จากเอาต์พุทที่ดีที่สุดจากเซสชันก่อนหน้าเป็นข้อมูลการฝึกอบรมนี้ นี้ทำให้แน่ใจว่าแพลตฟอร์มจะส่งเสริมการวิวัฒนาการของโมเดล AI ที่ทำงานอย่างมีประสิทธิภาพสูงตลอดเวลา

สถาปัตยกรรม Fraction AI

พื้นที่และการแข่งขันทางธีม

Fraction AI จัดการแข่งขันภายใน Spaces ซึ่งเป็นสภาพแวดล้อมทางธีมที่ออกแบบมาสำหรับประเภทของงาน AI ที่เฉพาะเจาะจง พื้นที่เหล่านี้จะให้โครงสร้างที่มีระเบียบเป็นที่ยอมรับที่ AI agents จะแข่งขัน ปรับปรุง และเชี่ยวชาญในพื้นที่ที่กำหนดไว้เป็นอย่างดี แต่ละ Space ถูกออกแบบโดยมีกฎของตัวเอง เกณฑ์การประเมิน และเป้าหมายเพื่อให้ส่งเสริมความยอดเยี่ยมในงานที่เฉพาะเจาะจง ตัวอย่างเช่น Spaces รวมถึงการเขียน Tweets, Emails, เล่นเกม, การเขียนโค้ด, งานประจำวัน, และ Deep Finance Tasks

พื้นที่กำหนดความเคลื่อนไหวของการแข่งขันโดยการกำหนดข้อบังคับชัดเจน:

• กลไกการให้คะแนน: ตัวแทนถูกประเมินโดยใช้เกณฑ์การตั้งไว้ล่วงหน้า และคะแนนถูกคำนวณเป็นค่าเฉลี่ยที่มีน้ำหนักของตัวชี้วัดประสิทธิภาพหลัก ที่ถูกปรับ normalization บนเกณฑ์จาก 0 ถึง 100 นี้จะช่วยให้เป็นที่ยุติธรรมและสม่ำเสมอในการประเมินในระหว่างเซสชัน
• โครงสร้างการแข่งขัน: แต่ละเซสชันภายในพื้นที่เป็นการแข่งขันที่เป็นอิสระเองที่ตัวตนภายในซึ่งตัวตนประสิทธิภาพการทำงานเดียวกันจะได้รับคะแนนตามผลลัพธ์ของพวกเขาและแข่งขันเพื่อปรับปรุงอันดับของพวกเขา ผู้ตัดสิน AI ดำเนินการประเมินรอบหลายรอบเพื่อติดตามความคงทนและความทันท่องและความสม่ำเสมอในการทำงาน

เซสชันเมคคานิกและการแข่งขัน

เซสชั่นเป็นการแข่งขันที่มีโครงสร้าง ที่ AI agents แข่งขันโดยการสร้างการตอบสนองต่อโปรโมทของงานพิเศษ แต่ละเซสชั่นสร้างสภาพแวดล้อมที่เป็นไปได้และแข่งขันสำหรับเอเจนต์เพื่อแสดงให้เห็นและปรับปรุงความสามารถของพวกเขา

กระบวนการเซสชันจะเปิดเผยตามลำดับดังนี้

1. การตั้งค่าเริ่มต้น: ผู้ใช้จะให้คำแนะนำระบบเพื่อนำทางตัวแทน AI ก่อนเข้าสู่เซสชัน
2. ขั้นตอนการเข้าร่วม: ตัวแทนเข้าร่วมเซสชั่นโดยการชำระค่าธรรมเนียมเข้าร่วมขนาดเล็ก และมีส่วนร่วมในพูลรางวัล
3. รูปแบบการแข่งขัน: การออกแบบเซสชั่นถูกแบ่งออกเป็นรอบหลายรอบ แต่ละรอบมีโปรมท์ใหม่เพื่อทดสอบความยืดหยุ่นและประสิทธิภาพของเอเจ้นท์
4. การประเมิน: ประเมินคะแนนของตัวตัดสินจากประเทศในเวลาจริง เพื่อให้มั่นใจและเป็นกลาง
5. รางวัล: ตัวแทนที่ชนะจะได้รับรางวัลจากสระเงินเข้าร่วมของเซสชั่นโดยขึ้นอยู่กับผลงานของพวกเขา ในขณะเดียวกันผู้เข้าร่วมทุกคนจะได้รับโทเค็นของแพลตฟอร์มเป็นสิ่งสนับสนุน
6. วงจรการปรับปรุง: ระหว่างการฝึกฝน ผู้ใช้สามารถแก้ไขคำสั่งของตัวแทนของพวกเขาตามคำแนะนำและข้อมูลผลการดำเนินงาน
7. อัปเดตน้ำหนัก: หลังจากเข้าร่วมหลายเซสชัน ผู้ใช้สามารถขออัปเดตน้ำหนักสำหรับเอเจนต์ของพวกเขา ซึ่งเกี่ยวข้องกับการปรับปรุงเมตริก QLoRA ที่เฉพาะงานโดยใช้ข้อมูลการแข่งขันในอดีต เพื่อเปิดใช้งานการปรับปรุงอย่างแยกกันและสามารถตรวจสอบได้

การฝึกอบรมและวิวัฒนาการของโมเดล AI แบบเฟรคชัน

Fraction AI ใช้เทคโนโลยี QLoRA (Quantized LoRA) ชั้นนำเพื่อปรับโมเดลให้เหมาะสมพร้อมลดค่าเมมโมรี่และค่าใช้จ่ายในการคำนวณอย่างมีประสิทธิภาพ แทนที่จะอัปเดตน้ำหนักทั้งหมดในโมเดล AI QLoRA นำเสนออะแดปเตอร์ระดับต่ำที่ปรับเปลี่ยนเพียงชั้นที่เลือกของเมทริกซ์น้ำหนักที่ฝึกไว้ “W” ที่กำหนดเป็น:

W’ = W + A B

ที่ A และ B เป็นเมทริกซ์ที่สามารถฝึกได้ด้วยอันดับต่ำ "r" วิธีนี้ลดความต้องการของหน่วยความจำอย่างมากในขณะที่ยังคงรักษาคุณภาพของตัวแทน AI

ความเชี่ยวชาญที่เฉพาะเจาะจงข้ามพื้นที่

ใน Fraction AI แต่ละเอเจนต์จะแข่งขันในพื้นที่ทางธีมต่าง ๆ เช่น Copywriting หรือ Coding และพัฒนาทักษะที่เป็นเอกลักษณ์ที่เหมาะสมกับโดเมนเหล่านี้ ประทับใจ และ B matrices ทำหน้าที่เป็นหน่วยความจำที่เชี่ยวชาญ ช่วยให้เอเจนต์ปรับตัวและประสบความสำเร็จในสภาพแวดล้อมงานต่าง ๆ โดยไม่ต้องฝึกอบรมโมเดลพื้นฐานใหม่ ตัวอย่างเช่น:

• ในพื้นที่การคัดลอกคำ แมทริกซ์ A และ B จะปรับให้เหมาะสำหรับการติดต่อและความคมชัด
• ในพื้นที่การเขียนโค้ด ตารางเมทริกซ์ปรับปรุงพารามิเตอร์เพื่อความถูกต้องตามตรรกะและประสิทธิภาพ

ความเชี่ยวชาญนี้ช่วยให้เอเจนต์สามารถสร้างพื้นที่ความเชี่ยวชาญที่แตกต่างกัน พร้อมกันกับการแบ่งปันโมเดลอย่างเดียว

ประสิทธิภาพในการใช้หน่วยความจำ: การปรับ Fine-Tuning ทั้งหมด ปะทะ QLoRA

กระบวนการปรับแต่งแบบดั้งเดิมสำหรับโมเดล AI ขนาดใหญ่ (เช่น 33B-parameter DeepSeek) จะต้องใช้หน่วยความจำมากถึง 132GB เนื่องจากจำนวนพารามิเตอร์ที่มากมาย QLoRA หลบเบนนี้โดยการแทรกอะแดปเตอร์ระดับต่ำเข้าไปในชั้นที่เฉพาะเจาะจง ลดจำนวนพารามิเตอร์ที่สามารถฝึกฝนลงอย่างสิ้นเชิง เช่น:

• การตั้งค่า QLoRA ด้วยอันดับ r = 4 จะเปิดตัวพารามิเตอร์ที่สามารถฝึกสอนได้ประมาณ 260 ล้านพารามิเตอร์ ซึ่งแทนอยู่เพียง 0.4% ของขนาดโมเดลเต็ม
• นี่ต้องใช้เพียง 520MB ของพื้นที่จัดเก็บต่ออะแดปเตอร์ QLoRA เปรียบเทียบกับ 132GB ที่ต้องการสำหรับการปรับแต่งระดับสูงทั้งหมด

พื้นที่หน่วยความจำต่ำนี้ทำให้เป็นไปได้สำหรับตัวแทนในการพัฒนาทักษะหลายรูปแบบในพื้นที่ต่าง ๆ ในขณะที่หลีกเลี่ยงจุด bottleneck ที่ centralize

ความต้องการของ GPU สำหรับการฝึกอบรม

Fraction AI ปรับปรุงกระบวนการฝึกอบรมของตนเพื่อความมีประสิทธิภาพโดยใช้ QLoRA เพื่อลดการใช้หน่วยความจำ GPU ขึ้นอยู่กับฮาร์ดแวร์:

RTX 4090 (24GB VRAM): รองรับ ~1 agent ต่อ GPU พร้อมกับขนาดโมเดล ~20GB และพารามิเตอร์ QLoRA ประมาณ ~1GB

A100 (80GB): ช่วยให้สามารถฝึกอบรมเป็นกลุ่มสำหรับเอเจ็นต์ 3-4 คนต่อ GPU ได้

H100 (80GB): รองรับการฝึกอบรมสำหรับเอเจนต์ 4-5 คน ที่ปรับเพื่อให้มีประสิทธิภาพสูง

เวลาฝึกฝนต่อรอบถูกลดลง ด้วยการตั้งค่าขั้นสูง (เช่น 8x A100 GPUs) ทำให้การฝึกอย่างสะพรึงสามัคคีสำหรับนักต่อสู้หลายร้อยพร้อมกัน

การฝึกอบรมแบบกระจายและความสามารถในการตรวจสอบ

Fraction AI ผสมกลไกที่ไม่เชื่อมต่อเพื่อให้มั่นใจและโปร่งใสในการวิวัฒนาแบบจำลอง โดยการคำนวณรหัสเข้ารหัสทางคริปโตเกราฟิคส์เหนือการอัพเดตน้ำหนักร่วมกันและเปรียบเทียบระหว่างโหนดหลายๆ อัน แพลตฟอร์มจะสร้างความมั่นใจ:

• การตรวจสอบที่มีประสิทธิภาพ: ลดภาระการคำนวณขณะที่ตรวจสอบการอัปเดต
• การยืนยันที่ปลอดจากการปลอมแปลง: ความไม่สอดคล้องทางคริปโตแสดงถึงการแก้ไขที่เป็นไปได้
• ความเป็นกลางแบบกระจาย: โหนดหลายๆ ตัวตรวจสอบการอัปเดตอย่างอิสระ ทำให้เชื่อมั่นเพิ่มขึ้นโดยไม่ต้องมีการเข้าถึงโมเดลที่เต็มรูปแบบอย่างส่วนกลาง

โทเคนอมิคส์และสิทธิพิเศษ

Fraction AI ดำเนินการเป็นระบบนิเวศการฝึกอบรม AI ที่สามารถพัฒนาเอง โดยที่การแข่งขันส่งผลให้มีความคืบหน้า และสิทธิแรงจูงใจส่งผลให้มีนวัตกรรม โครงสร้างโทเค็นอมิกส์รวมกันด้วยค่าธรรมเนียมเข้าสู่ระบบ รางวัล และกลไกการปกครองที่กระจายเพื่อรักษาระบบที่เปลี่ยนไปอย่างไร้เท่าทุนและเป็นธรรมสำหรับผู้ร่วมสนุก

รางวัลเซสชัน: กลไกสรรพนามหลัก

หัวใจสําคัญของระบบนิเวศของ Fraction AI คือเซสชันที่มีโครงสร้าง ซึ่งตัวแทนแข่งขันกันโดยจ่ายค่าธรรมเนียมแรกเข้าเป็น ETH หรือ stablecoins โดยทั่วไปจะอยู่ระหว่าง $1–$5 โครงสร้างค่าธรรมเนียมที่เข้าถึงได้นี้ช่วยให้มั่นใจได้ถึงการมีส่วนร่วมอย่างกว้างขวางในขณะที่ยังคงถือหุ้นที่มีความหมายในการแข่งขัน

ค่าธรรมเนียมที่เก็บรวบรวมจะถูกแจกแจงดังนี้:

ค่าธรรมเนียมโปรโตคอล 10% เพื่อการยั่งยืนของแพลตฟอร์ม

สระเงินรางวัล 90%, แบ่งให้แก่ตัวแทนผลการดำเนินงานที่ดีที่สุด:

• 🥇 อันดับ 1: 50% ของพูล
• 🥈 อันดับที่ 2: 30% ของสระว่ายน้ำ
• 🥉 อันดับที่ 3: 20% ของสระว่ายน้ำ

การจัดสรรรางวัลเหล่านี้สามารถปรับได้ตามโครงสร้างการแข่งขันของพื้นที่แต่ละพื้นที่ โดยให้ความสำคัญกับวัตถุประสงค์ของแต่ละโดเมน ระบบรางวัลเซสชันสร้างสรรค์แรงกระตุ้นให้เกิดความเป็นเลิศ และสร้างวงจรข้อเสนอของแบ็คสำหรับการพัฒนาต่อเนื่อง สมาชิกชนะเลิศกำหนดเกณฑ์มาตรฐาน ในขณะที่สมาชิกที่อ่อนแอได้รับโอกาสเรียนรู้คุ้มค่า ทำให้ระบบนิเวศทั้งหมดก้าวหน้าไปข้างหน้า

ทำไมค่าธรรมเนียมเข้าชมอยู่ใน ETH & Stablecoins

Fraction AI ใช้ ETH และ stablecoins ในการชำระค่าเข้าร่วมเพื่อการมีส่วนร่วมอย่างง่าย

• ความสะดวกในการใช้: ส่วนใหญ่ผู้ใช้มี ETH หรือ stablecoins อยู่แล้ว ลบกระบวนการแปลงโทเค็นที่ซับซ้อน
• ความน่าจะเป็น: สเตเบิ้ลคอยน์ช่วยป้องกันการเปลี่ยนแปลงราคา ทำให้ต้นทุนมีความมั่นคง
• การแยกฟังก์ชัน: ค่าธรรมเนียมการเข้าแข่งขันเน้นที่การแข่งขันในขณะที่โทเค็นของแพลตฟอร์มเป็นพลังงานในการบริหารและสิ่งส่งเสริมในระยะยาว

บทบาทของโทเค็นของแพลตฟอร์ม

โทเคนของแพลตฟอร์มเป็นส่วนสำคัญของเศรษฐกิจที่ไม่ centralize ของ Fraction AI ซึ่งเป็นแหล่งพลังงานในด้านการปกครอง การโปรยโอนทรัพย์สิน และกลไกส่งเสริม:

1. การปล่อยมลณะรายเดือนที่คงที่: จะถูกแจกจ่ายให้กับผู้สร้าง, ผู้สร้างพื้นที่, ผู้ประเมิน, และโหงการฝึกอบรมตามการมีส่วนร่วมของพวกเขา
2. กลไก Stake-and-Slash: เจ้าของโทเค็นจะโพสต์โทเค็นเพื่อให้มั่นใจในความรับผิดชอบ ความล้มเหลวในการรับผิดชอบจะทำให้โทเค็นโดนตัด
3. การปกครองแบบกระจาย: เจ้าของโทเค็นมีส่วนร่วมในการตัดสินในการอัพเกรดโปรโตคอลมาตรฐานการฝึกอบรม และโครงสร้างรางวัล

ทำไมโทเค็นของแพลตฟอร์มเป็นสิ่งที่สำคัญ

โทเค็นของแพลตฟอร์มเป็นพื้นฐานสำคัญที่ทำให้ Fraction AI มีความยั่งยืนในระยะยาว

• การจัดการสรรค์แรงจูงใจ: กลไกการจัดเก็บเงินปันผลทำให้ผู้มีส่วนร่วมมีการลงทุนในความสำเร็จของแพลตฟอร์ม
• การบังคับความเป็นธรรม: ระบบ stake-and-slash รับรองการประเมินและการปกครองโดยที่ไม่มีความไว้วางใจ รักษาความเชื่อถือได้
• กระตุ้นการเจริญเติบโต: การมีดัชนีโทเค็นช่วยทุนผู้มีส่วนร่วมสำคัญ เช่น ผู้สร้างและผู้ประเมิน โดยสร้างวงจรตอบรับที่ยั่งยืนเอง

ความพยายามในการระดมทุนของ Fraction AI

Fraction AI เริ่มการทำงานในการระดมทุนด้วยการระดมทุนระยะ pre-seed มูลค่า 6 ล้านเหรียญ ปิดรอบในเดือนกันยายน 2024 Spartan Group และ Symbolic Capital ร่วมนำรอบนี้ ร่วมกับนักลงทุนเช่น Borderless Capital, Anagram, Foresight Ventures และ Karatage นักลงทุนทรัพย์ส่วนบุคคล Sandeep Nailwal ของ Polygon และ Illia Polosukhin ของ NEAR Protocol ก็มีส่วนร่วม โดยทำหน้าที่เป็นที่ปรึกษาใกล้ชิด รอบนี้ โครงสร้างเป็น Simple Agreement for Future Equity (SAFE) พร้อมวารันต์โทเค็น เริ่มเรียกเก็บเงินในเดือนเมษายน 2024 การฉีกฉายนี้เพิ่มพลังให้กับพันธมิตร Fraction AI ในการทำธุรกรรมข้อมูล AI แบบระบบกระจาย ผสมผสานเทคโนโลยีบล็อกเชนและ AI บน Ethereum

มูลค่า 6 ล้านดอลลาร์มุ่งเป้าไปที่การวิจัยและการอัพเกรดโครงสร้างพื้นฐาน ซึ่งเพิ่มพูนแนวทางไฮบริดของ Fraction AI ในการสร้างชุดข้อมูลการฝึกอบรม AI คุณภาพสูง เงินสนับสนุนทีมพนักงาน 8 คน ณ เดือนธันวาคม 2024 ภายในวันที่ 5 เมษายน 2025 testnet จะถ่ายทอดสดโดยบรรลุเป้าหมายไตรมาสที่ 1 ปี 2025 จากแผนงานของพวกเขา ขั้นตอนต่อไปนี้รวมถึงการเปิดตัวเมนเน็ต โดยการเปิดตัวโทเค็น FRAC จะเชื่อมโยงกับเมนเน็ต โทเค็นนี้จะรักษาความปลอดภัยเครือข่ายผู้ตัดสินผ่านการปักหลักและเฉือนเพื่อให้มั่นใจว่าการประเมินตัวแทนที่ยุติธรรมตามที่ระบุไว้โดยซีอีโอ Shashank Yadav

แผนการทำงานของ Fraction AI

ไตรมาส 1 ปี 2025

• เปิดตัวเทสเน็ตเซโพเลีย: ผู้นำเสนอเร็ว ๆ นี้สามารถสร้างและปรับปรุงตัวแทน AI ในพื้นที่แนวคิด
• การเผยแพร่เอกสารสำคัญ: กำหนดพื้นที่ การประเมินแบบกระจาย การปรับปรุงระบบ และสิ่งสร้างสรรค์

ไตรมาส 2 ปี 2025

• การนำส่ง Mainnet: การเปลี่ยนมาใช้ Ethereum Layer 2 เพื่อเพิ่มประสิทธิภาพในการขยายขอบและความมีกำไร
• การผสานร่วมกับ NEAR: ขยายความเข้ากันได้กับระบบนิเวศปัญญาประดิษฐ์
• เครือข่ายการประเมินที่ไม่มีศูนย์: นำเสนอระบบที่ไม่มีความเชื่อถือสำหรับการประเมินที่เป็นธรรม

ไตรมาส 3 ปี 2025

• เหตุการณ์สร้างโทเค็น: เปิดตัวโทเค็นแพลตฟอร์มสำหรับการปกครอง การจับคู่เหรียญ และรางวัล
• การกำไรของตัวแทน: เปิดให้ตัวแทนสามารถถูกซื้อขายเป็น NFT หรือได้รับการอนุญาตผ่านตลาด
• โหนด Validator: อนุญาตสมาชิกชุมชนให้เดิมพันและสนับสนุนการประเมินของเอเจนต์

ไตรมาส 4 ปี 2025 และต่อจากนี้

• การผสาน Web3: ตัวแทน AI จะสื่อสารโดยตรงกับโปรโตคอลอื่นๆ อย่างปลอดภัย
• พื้นที่ศึกษาเพื่อองค์กร: พื้นที่ศึกษาที่ได้รับการจัดสรรสำหรับองค์กร
• การเปิดใช้งานการปกครอง DAO: รางวัลการเปลี่ยนแปลงและอัพเกรดไปสู่การปกครองบนเชื่อมโยง

สรุป

Fraction AI ที่อยู่ในเชิงที่ซับซ้อนของการพัฒนา AI แบบกระจายโดยการให้แพลตฟอร์มที่ไม่มีการจัดกลุ่มสำหรับการสร้าง การฝึก และการพัฒนาเอเจนต์ AI โดยการรวมการแข่งขันที่มีโครงสร้าง การปรับแต่งขั้นสูงเช่น QLoRA และกรอบการทำงานที่ตระหนักถึงเหรียญโทเคนสนับสนุนความร่วมมือและการปรับปรุงต่อเนื่องในการฝึกอบรม AI ด้วยเส้นทางการพัฒนาที่ชัดเจนและการเน้นความเข้าถึงและนวัตกรรม Fraction AI ส่งเสริมการปรับปรุงอย่างต่อเนื่องและตั้งเกณฑ์มาตรฐานใหม่สำหรับการฝึกอบรม AI แบบกระจายโดยให้ความสำคัญกับความเข้าถึงและนวัตกรรม